flutter-ai-rules
flutter-ai-rules 是一套专为 Flutter 开发者打造的 AI 编程规则与技能库,旨在提升 Cursor、Windsurf、Copilot 等 AI 驱动 IDE 的代码生成质量。它通过提供基于官方文档的结构化指令,解决了 AI 助手在生成代码时风格不统一、偏离最佳实践或忽略特定框架规范(如 Riverpod、Bloc)的痛点。
该工具主要服务于使用 AI 辅助编程的 Flutter 工程师。其核心亮点在于模块化的设计思路:既包含能根据任务上下文自动激活的"Skills"文件夹,实现动态规则匹配;也提供了针对特定技术栈的组合规则文件,且严格控制字数以适配不同 IDE 的限制。用户既可以一键部署预设规则快速上手,也能像搭积木一样灵活挑选单个规则文件进行定制。这种“按需取用”的机制,让开发者能在保持工作流一致性的同时,最大化地发挥 AI 编码助手的潜力,让生成的代码更符合专业标准。
使用场景
某中级 Flutter 开发者正利用 Cursor 编辑器为一个电商项目快速搭建基于 Riverpod 的状态管理模块,并需要集成 Mocktail 进行单元测试。
没有 flutter-ai-rules 时
- AI 生成的代码经常混用 Provider 和 Riverpod 写法,导致架构风格不统一,需人工反复修正。
- 编写的测试用例往往忽略 Mocktail 的最新语法规范,产生大量编译警告或运行时错误。
- 每次提示词都要冗长地强调“请遵循官方 Dart 有效指南”和“使用 Riverpod 2.0",沟通成本极高。
- AI 偶尔会幻觉出不存在的 API 用法,开发者必须花费大量时间查阅官方文档进行验证。
- 不同文件间的代码规范(如命名约定、异步处理模式)不一致,增加了代码审查的难度。
使用 flutter-ai-rules 后
- 将
skills/riverpod和skills/mocktail文件夹复制进.cursor/skills/后,AI 自动输出完全符合最新官方规范的纯净代码。 - 生成的单元测试直接适配 Mocktail 最佳实践,无需额外调试即可通过运行,显著减少报错。
- 无需在对话中重复约束条件,AI 根据任务上下文自动激活对应技能,提示词变得简洁高效。
- 所有建议均严格基于 Flutter 和 Dart 官方文档,彻底消除了 API 幻觉,代码可信度大幅提升。
- 整个项目的状态管理与测试代码保持高度一致的风格,极大降低了团队协作和维护成本。
flutter-ai-rules 通过将官方最佳实践转化为 AI 的原生认知,让开发者从繁琐的规范纠正中解放出来,专注于核心业务逻辑的实现。
运行环境要求
- 未说明
无需求
未说明

快速开始
Flutter AI 技能与规则,适用于 Cursor、Copilot、Antigravity 等 AI 驱动的 IDE
⚡ 快速概览
主要方法: 将 skills/ 文件夹中的技能复制到你的 IDE 的技能目录中(例如 .cursor/skills/、.windsurf/skills/)。代理会根据你的任务自动使用相关的技能。
对于传统规则:如果你想使用 .cursor/rules 或 .windsurfrules,只需将你选择的规则集内容(例如 combined/flutter_dart__under_6K.md)复制到你的 IDE 的全局或本地规则中即可。
为了获得最大的控制权,你也可以将 /rules 文件夹复制到你的项目中,并根据需要引用规则(例如:“阅读 @rules/firebase/ 并设置一个包含实时数据库、App Check 和 Analytics 的项目。”)。
🚀 简介
此仓库提供了一套全面且(几乎)无偏见的 Flutter 相关规则,专为 Windsurf、Cursor 和其他 AI 驱动的 IDE 设计。这些规则旨在改善你的开发工作流程、确保一致性,并帮助你充分利用 AI 编码助手的功能。
📁 仓库结构
skills/
新增! 技能是一种开放标准,用于扩展代理的能力。技能是一个包含SKILL.md文件的文件夹,其中包含了代理在处理特定任务时可以遵循的指令。它们本质上就是以前所说的“动态规则”——当代理根据描述判断其相关性时,会自动应用。将任何技能文件夹复制或创建符号链接到
.cursor/skills/、.agent/skills/或其他支持的位置。rules/
包含单个规则文件,每个文件专注于一个特定的主题或工具(例如bloc.md、effective_dart.md等)。
这些文件:- 完全基于 Flutter、Dart 或相关包的官方网站文档。
- 按主题分类,便于混合、匹配和引用。
- 可以根据你的项目需求进行优化、调整或提取。
combined/
包含预先制作好的、精选的规则集合,结合了常用的主题(例如 Flutter + Riverpod + Mockito)。
这些文件:- 字数控制在 6,000 字符 以内,以符合 Windsurf 的限制。
- 可以直接复制到你的全局或本地规则配置中使用。
✅ 使用方法
方法 1:技能——由代理决定使用哪些
- 浏览
skills/文件夹。 - 将技能文件夹复制或创建符号链接到你的 IDE 的技能目录中(例如
.cursor/skills/、.windsurf/skills/)。 - 代理会根据你的任务描述自动使用相关的技能。
- 你就可以开始使用了——技能会在上下文中自动激活,无需手动选择。
方法 2:使用预设的组合规则
如果你想要快速设置传统规则:
- 浏览
combined/文件夹。 - 复制一个适合你项目的文件。
- 将其粘贴到你的 IDE 的全局或本地规则配置中。
- 你就可以开始使用了。
方法 3:使用单个规则文件
如果你更喜欢更精细的控制:
- 浏览
rules/文件夹。 - 选择与你的项目相关的文件(例如
riverpod.md、bloc.md等)。 - 你可以:
- 直接将其纳入你的 IDE 设置中。
- 在提示中引用它们以增加上下文。
- 只提取对你当前场景有用的部分。
- 将其部分或全部纳入产品需求文档(PRD)中。
一切都是模块化的——选择最适合你的方式即可。
方法 4:通过 CLI 下载所有技能
你可以使用一条命令将最新的技能直接下载到你的项目中:
git clone --depth 1 https://github.com/evanca/flutter-ai-rules.git temp_repo && mkdir -p .skills && cp -r temp_repo/skills/* .skills && rm -rf temp_repo
这将会把所有技能复制到你项目的 .skills 文件夹中。一旦所有技能都进入 .skills 文件夹,你可以根据自己的需求单独引用它们。例如:
“阅读 @.skills/bloc/SKILL.md,并为新方法创建测试覆盖率。”
小贴士:
你还可以配置你的 IDE 自动加载这个 .skills 文件夹中的技能,或者在提示中引用它们以获取具体的指导。
📏 无偏见,只基于文档
所有规则均来源于官方文档——没有任何个人偏好或主观解释。这是有意为之。你可以根据自己的喜好修改它们,但这个仓库坚持从原始资料出发,保持客观性。
注意:这有时可能会导致规则相互矛盾(例如,如果一个包建议一种文件夹架构,而另一个包又推荐另一种架构)。
📌 使用场景
- 在你的 IDE 中安装技能,以便在开发过程中获得自动化的上下文相关帮助。
- 在你的 IDE 中为 Flutter 项目设置全局规则。
- 为流行的状态管理库配置项目特定的约束条件。
- 在团队协作时,在 PRD 中明确期望。
- 只提取你需要的内容,避免规则过于冗杂。
- 在提示中引用单个技能或规则,以获得具体的指导。
🛠️ 贡献
欢迎贡献!如果你想提出新的规则或改进现有规则,可以按照以下步骤操作:
- 分支此仓库。
- 在相应的文件夹中添加或修改规则。
- 提交一个带有清晰说明的拉取请求。
请务必为任何你添加或修改的规则集附上官方文档链接,以确保所有内容客观可靠。
📚 参考文献
以下是构建这些规则所使用的官方资料:
Flutter
- Flutter 应用架构 —— 官方 Flutter 架构指南
- Flutter 常见错误 —— 常见错误文档
- Flutter ChangeNotifier 状态管理 —— 使用 ChangeNotifier 的简单状态管理
Dart
状态管理
测试
Firebase
- Firebase for Flutter - Firebase Flutter 官方文档
- Code with Andrea - 如何使用 FlutterFire CLI 为 Flutter 和 Firebase 设置多环境配置
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备
Deep-Live-Cam
Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具,用户仅需一张静态照片,即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点,让高质量的数字内容创作变得触手可及。 这款工具不仅适合开发者和技术研究人员探索算法边界,更因其极简的操作逻辑(仅需三步:选脸、选摄像头、启动),广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换,还是制作趣味短视频和直播互动,Deep-Live-Cam 都能提供流畅的支持。 其核心技术亮点在于强大的实时处理能力,支持口型遮罩(Mouth Mask)以保留使用者原始的嘴部动作,确保表情自然精准;同时具备“人脸映射”功能,可同时对画面中的多个主体应用不同面孔。此外,项目内置了严格的内容安全过滤机制,自动拦截涉及裸露、暴力等不当素材,并倡导用户在获得授权及明确标注的前提下合规使用,体现了技术发展与伦理责任的平衡。